有什么方法可以识别 PDF 是否被编辑/篡改以及使用 Python 编辑/篡改 PDF 的确切位置？

问题描述

我正在努力识别银行对帐单 PDF 文档中的伪造/篡改。 信息元数据和 XMP 元数据并不总是出现在我拥有的 PDF 中，因此我无法创建任何通用规则来识别篡改的 PDF。我正在使用 Python 库，例如 PyMuPDF、PDFMiner、PyPDF2 等。

我有两个问题：

1. 是否有任何具体方法可以识别 PDF 是否被篡改（使用 Python 或任何其他开源技术）？
2. 如果 PDF 被篡改，那么 PDF 的哪一部分被篡改（使用 Python 或任何其他开源技术）？

附上 2 个 PDF 以供参考 -

原文：- “sbi statment_out2.pdf” 链接 - https://drive.google.com/file/d/1DoWAKYcCudRO-Cwjbgf7RjiJUsF3DD3s/view?usp=sharing

使用 Sejda 在线编辑器篡改：- “sbi statment_out2_Sejda_edited.pdf 链接 - https://drive.google.com/file/d/1J4eRy9tO3jN8AqEWNrKXtn40G6vdH5G3/view?usp=sharing

在经过调整的 PDF 中，我已将“信用”列下的“2,412.00”编辑为“12.00”。

如果有任何开源解决方案，请告诉我，最好使用 Python。

谢谢。

解决方法

确保 PDF 不被篡改的规范方法是只接受原始作者带有数字签名的 PDF 并验证它们，正如 Frank 已经通过 Adob​​e 论坛链接指出的那样。

其变化可能是

• PDF 制作者通过不同的安全渠道共享了 PDF 的哈希值以供您验证，或
• PDF 的制作者使用只有他们知道的私钥对 PDF 进行加密，然后您使用匹配的（可能是公钥）对其进行解密。

如果正确实施，这种加密方法是相当安全的。

---

遗憾的是，这些安全方法要求 PDF 的制作者在发布 PDF 时进行相应的合作。

如果制作者不合作而只是发布没有这种加密保护的 PDF，您仍然可以比较应该以类似方式创建的 PDF 的内部细节。如果这些内部细节差异很大，要么是有人业余篡改了 PDF，要么是 PDF 制作者更新或更换了 PDF 制作软件。

就您的示例文件而言，此类细节存在许多差异，例如

• 原件声称符合 PDF-1.4，经处理的副本为 PDF-1.5。
• 原始对 PDF 对象使用交叉引用表，复制交叉引用流。
• 与“SAMBox 2.2.12”相比，原件和副本具有不同的Producer 条目，即“iText 2.0.4（by lowagie.com）”。
• 原件在声明的文档日期上有一个 ModDate 条目，副本在此之后有一个很长的时间。
• 原始 PDF 中的 ID 部分彼此不同，副本中的 ID 部分一致。
• 副本具有用于独立添加内容的典型页面内容流结构，而原始没有。
• 副本有一个没有文本的文本对象（原始文本对象的其余部分绘制了后来删除的数字），原始文本没有。
• 原表中的数字仅使用灰度颜色，副本也使用RGB颜色。
• ...

当然，您可以使用 Python PDF 库来检查此类详细信息并确定分歧。

但要注意，这样你只能抓到不熟的伪造者。了解其业务的伪造者几乎不会在其输出中留下任何此类痕迹...

,

Adobe 表示，除非经过签名，否则无法检测 pdf 是否已被修改。

https://community.adobe.com/t5/acrobat-reader/how-to-detect-a-modified-pdf-file/td-p/3546278